Comparative Study of ANN and Traditional MPPT Techniques in PV Applications

De zon biedt een onuitputtelijke bron van schone energie, maar het efficiënt opvangen ervan vereist meer dan alleen het plaatsen van panelen op een dak. Zonnecellen zijn gevoelige apparaten waarvan het vermogen om elektriciteit op te wekken constant verandert met het weer. Wanneer de intensiteit van de zon verschuift of de temperatuur stijgt, verschuift het punt waarop een paneel zijn maximale vermogen produceert, vergelijkbaar met een doelwit dat verschuift op een bewegende muur. Om zoveel mogelijk energie te oogsten, moet een systeem voortdurend op zoek naar dit verschuivende doelwit. Dit proces staat bekend als maximum power point tracking. Decennialang hebben ingenieurs vertrouwd op traditionele methoden om zonne-energiesystemen naar dit ideale punt te leiden, waarbij ze algoritmen gebruiken die het systeem een klein beetje prikkelen en observeren hoe de stroomopbrengst reageert. Hoewel deze gevestigde technieken werken, kunnen ze traag reageren op snelle weersveranderingen en vaak rond het ideale punt wiebelen, waardoor een deel van de beschikbare energie verloren gaat.

In een recente studie onderzochten onderzoekers van de Near East University of een andere aanpak, geïnspireerd door de manier waarop het menselijk brein leert, de bestaande methoden zou kunnen overtreffen. Ze richtten zich op een specifiek type kunstmatige intelligentie, namelijk een diep neuraal netwerk. In tegen tegenstelling tot traditionele algoritmen die een vaste set regels volgen, werd dit neurale netwerk getraind op enorme hoeveelheden historische weer- en zondata. De onderzoekers voerden het systeem informatie over zonlichtintensiteit, luchttemperatuur en de elektrische stroom en spanning die vanuit de panelen vloeien. Het doel was om de computer te leren om het exacte beste werkpunt direct te voorspellen, zonder dat er hoeft te worden geëxperimenteerd via vallen en opstaan. Door deze nieuwe, op gegevens gebaseerde methode te vergelijken met de standaardtechnieken die in de industrie worden gebruikt, probeerde het team te bepalen of kunstmatige intelligentie de opwekking van zonne-energie aanzienlijk efficiënter en responsiever kan maken.

De onderzoekers bouwden hun experiment rond een digitale simulatie van een zonne-energiesysteem. Ze verzamelden gedetailleerde gegevens over zonlicht en temperatuur van een specifieke locatie in Noord-Cyprus, gebruikmakend van gegevens uit een database van de Europese Unie die zonnebronnen bijhoudt. Om een realistische testomgeving te creëren, gebruikten ze deze weergegevens om het verwachte elektrische gedrag van een zonnepaneel te genereren. Vervolgens draaiden ze drie verschillende controlestrategieën tegen dezelfde weerdata. De eerste twee waren de traditionele methoden: één die het systeem simpelweg verstoort om te zien of het vermogen toeneemt of afneemt, en een andere die de veranderingssnelheid van de elektrische geleidbaarheid berekent om de piek te vinden. De derde strategie was het nieuwe kunstmatige intelligentiemodel. Dit model was vooraf getraind om de complexe, niet-lineaire relatie tussen de weersomstandigheden en de optimale elektrische instelling te herkennen. Eenmaal getraind, fungeerde het neurale netwerk als een controller, die realtime metingen van zonlicht en temperatuur nam en onmiddellijk de perfecte spanningsinstelling voor het zonnepaneel voorspelde.

De resultaten van de vergelijking waren duidelijk en bevoordeelden de aanpak met kunstmatige intelligentie. De traditionele methoden, hoewel functioneel, hadden moeite met snelheid en precisie. De standaard "perturb and observe"-techniek, die vertrouwt op trial-and-error, had gemiddeld 8,5 stappen nodig om het punt van maximaal vermogen te vinden na een verandering in de omstandigheden. De iets geavanceerdere methode op basis van geleidbaarheid verbeterde dit en had 6,2 stappen nodig. In contrast hiermee vond het neurale netwerkmodel de optimale instelling in slechts 2,8 stappen. Deze snelheid betekende dat het systeem zich bijna onmiddellijk kon aanpassen aan veranderende wolken of verschuivende temperaturen, in plaats van achter de feiten aan te lopen. Bovendien hadden de traditionele methoden de neiging om te oscilleren, of te wiebelen, rond het doelwit, waarbij ze constant de ideale vermogenswaarde overschoten en onderschoten. Het neurale netwerk, dat het patroon van de gegevens had geleerd, stabiliseerde zich met veel minder beweging op de juiste instelling, wat zorgde voor een stabiele en efficiënte werking.

Wat betre toe betreft de algehele efficiëntie, ving de controller met kunstmatige intelligentie 98,7 procent van het beschikbare vermogen op, een cijfer dat hoger lag dan de 95,8 procent behaald door de geleidendheidsmethode en de 94,2 procent van de traditionele trial-and-error benadering. De studie mat ook hoe nauw de voorspelde instellingen overeenkwamen met de werkelijke beste instellingen. Het neurale netwerk bereikte een nauwkeurigheid van 99,57 procent, wat betekent dat het zelden de plank missloeg. De onderzoekers merkten op dat de traditionele methoden meer fouten produceerden in hun voorspellingen, wat leidde tot een verlies aan potentiële energie. Het neurale netwerkmodel was in staat om met de complexe, verschuivende aard van zonne-energieopwekking om te gaan zonder de aarzeling of verwarring die regelgebaseerde systemen vaak teisteren. Het hoefde niet te wachten tot een verandering plaatsvond voordat het reageerde; het kon de beste instelling anticiperen op basis van de huidige omstandigheden.

Dit werk demonstreert dat gegevensgestuurd leren een tastbare verbetering kan bieden ten opzichte van gevestigde technische regels voor zonne-energie. De studie bevestigt dat een systeem dat getraind is op historische gegevens de complexe gedragingen van zonnepanelen effectiever kan navigeren dan algoritmen die vertrouwen op vaste wiskundige formules. Hoewel de resultaten uit een simulatie komen en niet uit een fysieke hardwaretest, suggereert de consistentie van de gegevens dat de aanpak met neurale netwerken grote belofte inhoudt voor praktische toepassingen in de echte wereld. Door de tijd te verkorten die nodig is om de beste vermogensinstelling te vinden en de energieverlies door oscillatie te minimaliseren, kan een dergelijk systeem helpen om zonneparken en installaties op daken meer elektriciteit te laten opwekken uit dezelfde hoeveelheid zonlicht. De onderzoekers zijn van plan deze bevindingen verder te brengen door het systeem op daadwerkelijke hardware te testen en manieren te verkennen om deze intelligente tracking te combineren met andere beschermende maatregelen, met als doel zonne-energie nog betrouwbaarder en productiever te maken.